OncoAgent : l'IA médicale qui refuse de halluciner

Pourquoi un système médical spécialisé ?

L'oncologie est un domaine où l'erreur tue. Les modèles IA génériques hallucinent parce qu'ils réduisent les recommandations à des motifs statistiques. OncoAgent construit un système qu'on peut auditer et qui refuse de sortir du cadre.

L'architecture : simple mais redoutable

Le système fonctionne comme un comité de médecins avec des rôles bien définis :

1. ▸Routeur : évalue la complexité du cas (cancer rare ? mutation rare ? stade IV ?). Score élevé = envoie vers le modèle 27B plus réfléchi. Score bas = modèle 9B rapide.
2. ▸Corrective RAG : cherche les recommandations pertinentes, mais les évalue avant de les utiliser. Un document "bien titré mais inutile" ? Rejeté, et la question est reformulée automatiquement.
3. ▸Critic : valide la réponse en trois couches (format, règles de sécurité déterministes, cohérence avec les sources). Si ça échoue, il renvoie la réponse au modèle avec un retour explicite.
4. ▸HITL Gate : pour les cas complexes ou peu confiants, un médecin humain doit valider avant que ça sorte du système.

Les chiffres concrets

Les créateurs l'ont entraîné sur 266k cas oncologiques réels et synthétiques. Grâce à la technique QLoRA (quantification + adaptateurs légers) et aux GPUs AMD MI300X avec 192 GB de mémoire, l'entraînement a pris 50 minutes sur l'ensemble complet. C'est 56× plus vite qu'un entraînement par API.

Résultat de la validation CRAG : 100% de succès, score de confiance de 2.3+. Traduction : quand le système dit "c'est dans les recommandations", c'est dedans.

Le point fort : isolation par patient

Chaque session patient reçoit un identifiant unique (format PT-XXXX). Aucun mélange entre patients, zéro risque que les données d'un cas transpire vers un autre. C'est du checkpointing natif LangGraph, pas du bricolage.

Pour qui et comment

C'est un projet académique ("technical preprint" mai 2026), mais le code est open-source et déployable tout de suite. Si tu pilotes un hôpital, tu peux :

• ▸Le récupérer directement depuis GitHub
• ▸L'installer sur tes serveurs (zéro cloud)
• ▸L'intégrer à ton dossier patient électronique
• ▸L'entraîner sur tes propres cas si tu veux (la méthode de fine-tuning est documentée)

Les limitations honnêtes

C'est conçu pour le triage ("quel est le meilleur traitement initial ?") et les parcours thérapeutiques, pas pour tout. La sécurité repose aussi sur des validateurs déterministes (pas d'IA pure pour la sécurité), ce qui limite volontairement les cas qu'il peut traiter.

Le recours en cas d'échec ? Un refus honnête en français/espagnol : "Information non concluante dans les recommandations fournies." Aucune hallucination de secours.